利用语义奖励提升放射学报告生成的 factual 正确性
计算与语言
2022-10-25 v1 人工智能
摘要
神经图像到文本放射学报告生成系统有望通过减少报告起草的重复过程并识别可能的医疗错误来改进放射学报告。这些系统在 BLEU 与 CIDEr 等广泛使用的 NLG 指标上取得了有前景的性能。然而,现有系统面临重要局限。首先,其架构复杂性增加,仅在 NLG 指标上带来边际改进。其次,由于训练与评估的不足,这些在指标上表现优异的系统并非总在事实上完整或一致。近期研究表明,使用鼓励以下两点的新方法可大幅改进系统:1)生成与参考一致的领域实体;2)以推断一致的方式描述这些实体。迄今为止,这些方法依赖于弱监督方法(基于规则)以及并非专门针对胸部 X 光领域的命名实体识别系统。为克服该局限,我们提出一种新方法——RadGraph 奖励,以进一步提升生成放射学报告的事实完整性与正确性。更确切地说,我们利用包含带实体及实体间关系标注的胸部 X 光报告的 RadGraph 数据集。在两个公开放射学报告数据集上,我们的系统在评估报告事实正确性与完整性的指标上分别将分数提升了高达 14.2% 与 25.3%。
引用
@article{arxiv.2210.12186,
title = {Improving the Factual Correctness of Radiology Report Generation with Semantic Rewards},
author = {Jean-Benoit Delbrouck and Pierre Chambon and Christian Bluethgen and Emily Tsai and Omar Almusa and Curtis P. Langlotz},
journal= {arXiv preprint arXiv:2210.12186},
year = {2022}
}
备注
Findings of EMNLP 2022